این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران، جلد ۷۷، شماره ۴، صفحات ۲۱۶-۲۲۱
عنوان فارسی پیش‌بینی میزان بروز بیماری سل با استفاده از سری‌های زمانی مبتنی بر شبکه‌های عصبی در ایران
چکیده فارسی مقاله زمینه و هدف: یکی از بیماری‌های عفونی مهم با مرگ‌ومیر بالا در جهان، سل می‌باشد که هیچ کشوری از آن مصون نیست و امروزه به‌علل مختلف مانند بیماری‌های زمینه‌ای بروز آن بار دیگر در حال افزایش می‌باشد. براساس آخرین گزارش سازمان بهداشت جهانی از وضعیت سل در ایران، سل مقاوم به دارو (MDR-TB) و سل در افراد دارای ویروس نقص ایمنی انسانی (Human immunodeficiency virus, HIV) در کشور رو به افزایش است. پیش‌بینی بروز برای پیشگیری، مدیریت و کنترل بهتر این بیماری امری لازم می‌باشد. هدف این مطالعه ایجاد سیستم پیش‌بینی کننده میزان بروز سل می‌باشد. روش بررسی: تحلیل گذشته‌نگری بر روی 10651 بیمار مسلول ثبت شده بین اول فروردین 1393 تا پایان اسفند 1394 در سیستم وزارت بهداشت، درمان و آموزش پزشکی ایران انجام گرفت. پارامترهای قابل استناد جداسازی شدند و به‌صورت مستقیم، ادغام و یا تولید شاخص جدید در نظر گرفته شدند. یافته‌ها: 23 متغیر مستقل وارد مطالعه شد که با سنجش همبستگی و محاسبه رگرسیون، 12 متغیر با 0/01P≤ در اسپیرمن و 0/05P≤ در پیرسون مرتبط شناخته شد. بهترین نتایج 0/93R= و 10/96MSE= در داده‌های آموزش، صفر و صفر در داده‌های اعتبارسنجی و 0/91R= و 13/23MSE= در داده‌های تست و همچنین نمودار رگرسیون چشمگیری از شبکه ایجاد شده با الگوریتم‌های سری زمانی شبکه عصبی در متلب به‌دست آمد. نتیجه‌گیری: نتایج مطالعه حاضر بیانگر این است که هوش مصنوعی برای استخراج دانش از داده‌های خام جمع‌آوری شده مربوط به بیماری سل عملکرد مناسبی دارد و می‌توان از آن برای پیش‌بینی موارد جدید این بیماری استفاده کرد.
کلیدواژه‌های فارسی مقاله بروز، ایران، شبکه عصبی، پژوهش‌های گذشته‌نگر، بیماری سل
عنوان انگلیسی
چکیده انگلیسی مقاله Background: Tuberculosis (TB) is an important infectious disease with high mortality in the world. None of the countries stay safe from TB. Nowadays, different factors such as Co-morbidities, increase TB incidence. World Health Organization (WHO) last report about Iran's TB status shows rising trend of multidrug-resistant tuberculosis (MDR-TB) and HIV/TB. More than 95% illness and death of TB cases are in developing countries. The most infections are in South East Asia and West Pacific that 56% of them are new cases in the world. The incidence is actually new cases of each year. Incidence prediction is affecting TB prevention, management and control. The purpose of this study is designing and creating a system to predict TB incidence by time series artificial neural networks (ANN) in Iran. Methods: This study is a retrospective analytic. 10651 TB cases that registered on Iran's Stop TB System from March 2014 to March 2016, Were analyzed. Most of reliable data used directly, some of them merged together and create new indicators and two columns used to compute a new indicator. At first, effective variables were evaluating with correlation coefficient tests then extracting by linear regression on SPSS statistical software, version 20 (IBM, Armonk, NY, USA). We used different algorithms and number of neurons in hidden layer and delay in time series neural network. R, MSE (mean squared error) and regression graph were used for compare and select the best network. Incidence prediction neural network were designed on MATLAB® software, version R2014a (Mathworks Inc., Natick, MA, USA). Results: At first, 23 independent variables entered to study. After correlation coefficient and regression, 12 variables with P≤0.01 in Spearman and P≤0.05 in Pearson were selected. We had the best value of R, MSE (mean squared error) and also regression graph in train, validation and tested by Bayesian regularization algorithm with 10 neuron in hidden layer and two delay. Conclusion: This study showed that artificial neural network had acceptable function to extract knowledge from TB raw data; ANN is beneficial to TB incidence prediction.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله عاطفه صدیق‌نیا | Atefeh Sedighnia
Department of Medical Informatics, Department of Health Information Management, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran.
گروه انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران.

شراره رستم نیاکان کلهری | Sharareh Rostam Niakan Kalhori
Department of Medical Informatics, Department of Health Information Management, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran.
گروه انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران.

مهشید ناصحی | Mahshid Nasehi
Department of Epidemiology, School of Public Health, Iran University of Medical Sciences, Infectious Diseases Management Center of Ministry of Health and Medical Education, Tehran, Iran.
گروه اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی ایران، مرکز مدیریت بیماری‌های واگیر وزارت بهداشت، درمان و آموزش پزشکی، تهران، ایران.

احمد علی حنفی بجد | Ahmad Ali Hanafi-Bojd
Department of Medical Entomology at Tehran University of Medical Sciences, School of Public Health, Tehran University of Medical Sciences, Tehran, Iran.
گروه حشره‌شناسی پزشکی و مبارزه با ناقلین، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران.

نشانی اینترنتی http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-157&slc_lang=other&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده other
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله اصیل
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات